4.1.1 Preprocesamiento de los datos

Para la preparación de los datos, se realizaron diversos procesos de depuración y combinación de las bases disponibles, con el fin de obtener un conjunto único que permitiera entrenar el modelo de predicción de la demanda.

En primer lugar, a partir de la base eci_stores se identificaron y excluyeron aquellas tiendas que habían cerrado antes de la semana del 1 al 7 de enero de 2024, ya que no tendría sentido estimar demanda para locales que ya no se encontraban operativos.

Posteriormente se combinaron las bases eci_stores y eci_product_master con la base eci_transactions. De esta forma, cada transacción no solo contiene información sobre la venta realizada, sino también el nombre y la categoría del producto, la tienda donde se comercializó y su región, la franquicia a la que pertenece, entre otras características.

Sobre esta base consolidada, se generaron 3 nuevas variables temporales a partir de la columna DATE, extrayendo el día, mes y año de cada transacción.

Finalmente, las transacciones se agruparon por día, por subproducto y por tienda (STORE_SUBGROUP_DATE_ID), con el propósito de entrenar los datos de esa manera y asi poder cumplir el objetivo de predecir la demanda desde el 1/1/2024 al 7/1/2024 de los distintos subproductos, en cada una de las tiendas minoristas. También, como dato adicional, esto hace que se reduzca el costo computacional que conlleva entrenar los datos, debido a la reduccion de filas en la base que este agrupamiento implica, pasando de trabajar con 19.004.759 de datos a una base final con 5.137.958 de datos.

En síntesis, el proceso de preparación de datos permitió pasar de múltiples bases dispersas a un único conjunto de datos estructurado, listo para ser utilizado en el entrenamiento de los modelos predictivos y para el análisis descriptivo que sigue a continuación.

4.1.2 Análisis descriptivo

Al querer estimar la demanda (TOTAL_SALES) de manera adecuada, se plantea el análisis descriptivo buscando evidenciar que variables entre las que se encuentran disponibles en nuestras bases pueden influir en el comportamiento de la variable respuesta mencionada.

Se cuenta con información de artículos pertenecientes a 73 subproductos distintos, e inicialmente se quiere evidenciar si hay diferencias en la demanda para los distintos subproductos.

Claramente se observa que hay 9 subproductos que generaron mucha mayor demanda que el resto, estos son Headphones, Speakers, Wearables, Desktops, Smartphones, Home Audio, Tablets, Accesories y Laptops, acumulando un 42% de la demanda total.

Estos artículos tienen características muy similares, todos ellos corresponden a productos electrónicos vinculados principalmente a la informática, telecomunicaciones y entretenimiento audiovisual.

Cada uno de estos subgrupos se pueden agrupar en 23 grupos distintos, y a su vez estos grupos pertenecen a 8 categorías distintas. A continuación se presentan las distribuciones en relación a la demanda total para estas variables.

Tal como se mostraba anteriormente, los productos relacionados a la electrónica son los que presentan mayor demanda (en USD), evidenciandose que los 9 productos que presentaban una mayor demanda que el resto se agrupan en los 3 “grupos”: Audio, Computing y Mobile. Siendo además los 3 grupos que conforman la categoría Electronics.

Otra variable que puede influir en la demanda de cada categoría es la fecha en la que se produjo la transacción, para esto se mostrará la evolución de la demanda a través de los meses en los 3 años que abarca este estudio.

Viendo la evolución de la demanda por mes para las distintas categorías, se podría detectar cierta estacionalidad, siendo los primeros meses del año (generalmente desde enero hasta marzo/abril) los que menor demanda tienen, lo cual es de esperarse porque suelen ser meses de menor consumo. Es sabido que en los meses de noviembre y diciembre el consumo crece mucho por las fiestas (Thanksgiving, Black Friday, Navidad), posteriormente suele caer en los primeros meses del año y suele volver a repuntar con el inicio de la primavera y algunas campañas de compras (por ejemplo, “back to school” más adelante en el año). A su vez, parece que la demanda a ido disminuyendo, levemente, a lo largo de estos 3 años.

Se procede a analizar la demanda en las distintas regiones geográficas en las cuales pertenecen estas tiendas:

Se observa que los estados con mayor demanda monetaria se encuentran en la zona de la costa este de Estados Unidos, concentrandose en los estados de Nueva York, Florida, Georgia y Carolina del Sur. Pero este análisis inicial no necesariamente brinda una evidencia con respecto a que dichos estados influyen en las ventas de las tiendas, debido a que hay distinta cantidad de tiendas en cada uno de estos. A continuación para tratar este problema, se vuelve a realizar este gráfico pero calculando la demanda promedio por tienda en cada uno de estos estados:

Al realizar esta modificación, el panorama ya no es el mismo y se puede observar que los estados que mayor demanda promedio tienen, se ubican en el suroeste y son los estados de Nuevo México y Arizona (contando con 2 y 5 tiendas respectivamente). Otra particularidad que no se evidenciaba en el otro gráfico, es que los estados con menor demanda promedio se encuentran todos en la región noroeste del país, lo que lleva a pensar que puede que esa sea una zona con menor consumo.

A continuación, se analizará la demanda por tipo de tienda y por marca:

Se puede apreciar con claridad que las tiendas de tipo Street y Mall son las que mayores demanda presentan, con la particularidad que existen las mismas cantidades de tiendas de estos tipos (44 cada uno), y sin embargo las de tipo Street tuvieron una demanda de 48.194.937 $USD mayor.

Al analizar los gráficos, se observa de manera lógica que una mayor cantidad de tiendas se asocia con un incremento en la demanda.

Se evidencia que la cadena Essentials Plus es la que mayor demanda presenta, siendo también la cadena con mayor cantidad de tiendas.

4.1.3 Técnicas estadísticas

Antes de comenzar con el ajuste de modelos, se tiene en cuenta que la variable a predecir es cuantitativa, por lo que se opta por utilizar modelos de regresión. En primera instancia se consideraron varias alternativas, como regresión lineal, Random Forest, modelos de Gradient Boosting, series de tiempo, entre otros. Sin embargo, dado el enfoque de predicción de cada uno de ellos, se decide trabajar con Random Forest y Gradient Boosting, para captar relaciones no lineales y predecir la demanda total de manera más eficiente, las variables explicativas consideradas fueron: PRICE, SUBGROUP, STORE_TYPE, REGION, STORE_ID, mes, dia, año, category, group y BRAND.

Dado que Random Forest posee múltiples hiperparámetros, se lleva a cabo un proceso de optimización de los mismos. Para ello, se divide el conjunto de datos en 85% entrenamiento y 15% prueba. Dentro del 85% destinado a entrenamiento se realiza un proceso de validación cruzada con 4 “folds” con el objetivo de identificar aquellos hiperparámetros que maximizan el \(R^2\). Luego, con el 15% restante se prueba el modelo ajustado con los hiperparámetros óptimos, verificando que el \(R^2\) obtenido sea consistente con el alcanzado en el proceso de validación. Finalmente, se reentrenará el modelo con los hiperparámetros óptimos con la totalidad de los datos para posteriormente realizar la predicción de la demanda total.

4.1.4 Resultados

En esta sección se presentan los resultados de la optimización de hiperparámetros de Random Forest haciendo uso del \(R^2\) para elegir la mejor combinación y, además, la inclusión de la métrica de la tabla pública del concurso (Score), como métrica de comparación entre las opciones postuladas.

En la optimización de hiperparámetros de Random Forest se obtiene la siguiente tabla:

Se puede observar que la combinación de hiperparámetros que tiene mayor \(R^2\) promedio resulta de usar 165 árboles y 9 instancias mínimas. El Score de las predicciones usado en Kaggle para las 3 estrategias antes presentadas fueron:

• Random Forest + modelos SARIMA para la determinación del precio semanal: 0.12876

• Random Forest + modelos SARIMA para la determinación del precio diario: 0.10491

• Gradient Boosting + modelos SARIMA para la determinación del precio semanal: 0.13456

Por lo tanto, el modelo usado para la predicción de la demanda total en la primer semana de enero del 2024 fue Gradient Boosting + modelos SARIMA para la determinación del precio semanal.

4.2.1 Preprocesamiento de los datos

A partir de la base creada luego de combinar las bases eci_transactions, eci_stores y eci_product_master, en donde se muestran todas las transacciones con sus diferentes características, se procede a calcular las ganancias para cada transacción, las cuales serán de vital importancia para responder al objetivo en cuestión. El cálculo se realiza de la siguiente manera:

GANANCIAS = TOTAL_SALES - QUANTITY x costos

A continuación, se realizará un análisis descriptivo con la base armada para este objetivo.

4.2.2 Análisis descriptivo

Para comenzar a entender que factores influyen en las ganancias producidas por los distintos productos, se mostrarán cuales son los productos más vendidos a través de los 3 años de estudio.

Se observa que hay un producto que se ha vendido considerablemente más que el resto, el cual es Fashionista Infants Collections con un total de 205.692 ventas. Otra cuestión de interés, radica en que todos los productos con mayor cantidad de ventas son productos con precios moderados/bajos, lo que indicaría que no necesariamente se correspondan con los productos que mayor ganancia proporcionaron. El precio promedio de estos productos a través de todas las transacciones fue de 35,95 $USD.

También, como se comentó anteriormente, resulta de interés identificar que productos son los que mayor ganancia generan, los cuales probablemente esten asociado a los productos de mayor valor.

Como se puede apreciar, hay dos productos que presentaron mayor cantidad de ganancias totales; estos son CircuitCity Home Audio Edge X y Fashionista Infants Collection, de las categorías Electronics y Clothing respectivamente. También se puede destacar de este gráfico, que 19 de los 20 productos que mayores ganancias totales generaron fueron de la categoría Electronics, la cual por lo visto anteriormente, es la de mayor demanda.

De los productos más vendidos solo Fashionista Infants Collection se encuentra en el top de mayor ganancia, lo que lleva a pensar que a pesar de venderse en menor cantidad, algunos de los productos más costosos son los que mayor cantidad de ganancia generan. El precio promedio de los productos que más ganancia generan es de 304.97 $USD, casi 9 veces más caros que los productos más vendidos.

También resulta de interés evidenciar como evolucionó la ganancia que generaron los distintos productos a través del tiempo, en este caso se hace hincapié en los 5 productos que más ganancias generaron y se grafican sus ganancias mensuales durante los 3 años de estudio.

Al ver la evolución de las ganancias mensuales de los 5 productos que mayores ganacias totales generaron durante todo el período estudiado, se puede observar un pico de rendimientos en la mayoría de los productos durante mediados de 2022 y también un leve decrecimiento en las ganancias a lo largo de estos años, lo cual es el principal mótivo por el cual La Casa de Asterión busca mejorar su estrategia de precios para así aumentar el rendimiento.

A continuación se hará uso de la georreferenciación, para evidenciar si existen diferencias en las ganancias producidas por tiendas ubicadas en los distintos estados de Estados Unidos. Este gráfico inicial muestra las ganancias totales según estado permitiendo identificar rápidamente cuáles zonas aportan un mayor volumen de ingresos.

En el gráfico anterior, se puede ver que los estados pertenecientes a la costa este de los Estados Unidos son los que producen mayor cantidad de ganancias, pero como se comentó anteriormente esto va a estar muy influenciado por la cantidad de tiendas presentes en cada estado. Para tener un panorama más real en relación a las diferencias en las ganancias de cada estado, se realizará el mismo gráfico pero calculando la ganancia promedio por tienda dentro de cada estado.

Se evidencia que la situación vuelve a cambiar, siendo un poco más similar la ganancia en todos los estados. Lo que si es destacable es que los estados pertenencientes al noreste del país presentan las menores ganancias por tienda entre todos los estados. Otro caso particular se da en el estado de Nuevo México, siendo el segundo estado con menores ganancias totales y el estado con mayor ganancias por tienda entre todos los estos, esto se debe a que solo hay 2 tiendas en esa región.

Por último, se desea evidenciar si la ganancia que producen los productos se debe a qué tanto se aumenta su precio en relación al costo del mismo (markup). Por este motivo se calcula el porcentaje de aumento en relación al costo para cada transacción de la siguiente manera: (PRICE - costos)/costos y, en base a eso, se agrupan los datos en percentiles. Esto permite comparar de manera más equitativa los productos, independientemente de su nivel de precio, y observar qué rangos de aumento de precio generan mayor ganancia total. De esta manera, el análisis busca identificar los niveles de markup más efectivos para maximizar la rentabilidad.

Se observa que a pesar de que los productos del primer percentil (precios más cercanos al costo) fueron los que más cantidad de ventas producieron, no necesariamente se condice con el percentil que más ganancias generaron para la empresa.

En particular, el segundo percentil —correspondiente a aumentos de precios entre el 30% y el 60% sobre el costo— fue el que produjo la mayor ganancia total. Esto es un tema crucial a la hora de definir precios óptimos, ya que, es evidente que a mayores precios se obtiene una mayor ganancia unitaria, pero esta medida afectará la cantidad de ventas. Por lo que poder entender que porcentaje de recargo realizar en cada producto es fundamental para maximizar la ganancia de cualquier negocio.

4.2.3 Técnicas estadísticas

Para optimizar el precio con el objetivo de maximizar la ganancia, se buscó modelar la cantidad vendida en función de distintas variables explicativas: PRICE, STORE_ID, SKU, category, group, BRAND y REGION. Dado que los productos de Basketball y Baseball comparten el mismo SKU, no fue posible diferenciarlos directamente. Además, no se disponía de información específica sobre las ventas de Basketball. Considerando que ambos productos presentan costos similares y que era razonable suponer una demanda similar, se decidió modelar únicamente los productos de Baseball y asignar el mismo precio a los correspondientes de Basketball.

Una vez entrenado el modelo, se construyó una grilla de precios que abarca desde el valor mínimo hasta el máximo observado, con una longitud de 25 puntos. Para cada precio de la grilla se estimó la cantidad vendida utilizando el modelo ajustado. A partir de estas predicciones se calculó la variable: GANANCIAS = (PRICE - costos) x QUANTITY, y finalmente se seleccionó el precio que maximiza dicha ganancia.

4.2.4 Resultados